随着人工智能领域神经网络的发展,如何获得大量带标注的数据已经成为关键性问题之一。然而目前只能通过人工标注来获取带标注数据,不仅费时费力,标注的质量也难以得到保障。无监督域自适应就是一种研究如何将源域上已有的大量标注信息迁移到无标注的目标域上的技术。而开放集域自适应（Open Set Domain Adaptation,OSDA）作为域自适应的一种特殊场景,区别于传统的闭合集域自适应设定,开放集域自适应研究如何在目标域可能包含源域中没有出现过的类别的情景下更好地完成迁移。由于源域和目标域样本类别信息的差异性,显然这是更贴近实际并且更具有挑战性的任务。针对迁移过程中源域样本可能对目标域特征的学习造成干扰的问题,本文提出了一种基于域对抗网络与专有网络的知识交换模型（Knowledge Exchange model,Know Ex）。该模型包含两个互补的网络:（1）域对抗网络用于学习具有域不变性的特征,通过源域上的监督信息来推断目标域样本的类别信息;（2）专有网络专注于区分目标域样本来自于已知类或是未知类。两个网络通过联合学习为彼此提供互补的信息,从而在知识交换的过程中两个网络的性能都能得到提升。特别地,该模型还引入了一个适应层用以解决专有网络在联合训练过程中部分预测结果不可靠的问题。针对迁移过程中目标域未知类样本与已知类样本之间的类别不平衡导致决策边界模糊的问题,本文提出了一种基于相互学习的知识迁移开放集域自适应模型（Mutual Learning-based Dual Knowledge Transfer model,ML-DKT）。该模型包含一个跨域网络和一个目标域特有网络。跨域网络通过利用源域样本的标注信息进行训练,并用以推断目标域样本的标注信息。在目标域特有网络上,该模型引入了一个增强分类头部和一个基于语义的对比损失正则项,从而使特有网络在学习目标域已知类样本特征的过程中,能更有效地将未知类样本区分出来。通过两个网络的相互学习与知识迁移过程来同时提升二者的性能。在多个开放集域自适应基准数据集上进行了广泛的实验,验证了本文所提出的模型的有效性。